赵坤等：弱光照条件下交通标志检测与识别 1077· 像按照约1：1的比例划分组成训练集和测试集. 数c和y有不同的计算方式 为了增加数据量，训练时采用数据增广对初始图 图像标准差反映了像素值与均值的离散程 像随机平移 度，标准差越大图像质量越好，因此，本文先采用 2增强YOLOv3算法 图像强度标准差对图像分类，判别公式如下所示： h,4c≤ (2) 2.1自适应图像增强 (a,其他 弱光照交通标志图像数据集中主要存在以下 式(2)中，σ为图像标准差，p为图像对比度衡 四种情况的图像：整体亮度较低、半明半暗且交通 量系数，根据实验发现，取p=3能够作为分类不同 标志在偏暗区、半明半暗且交通标志在偏亮区以 对比度图像的标准；h表示低对比度图像，表示 及整体亮度良好的图像，光照条件较为复杂.而图 中高对比度图像 像增强的目的就是针对不同光照条件的图像合理 同一对比度类别的图像也会有不同的亮度， 的均衡化像素分布范围，调整图像亮度和对比度， 需要对图像进一步划分.图像强度均值反映了图 提高交通标志与背景间的区分度 像的亮度，均值越大图像亮度越大，本文采用λ表 现有的方法一般采用直方图均衡化全局图像)， 示图像强度均值.经过多组实验发现，图像强度均 但采用全局加强的方法可能会导致图像部分过加 值小于0.5时，亮度不佳，大于等于0.5时，亮度良 强或欠加强；也有局部加强方法，Celik和Tjahjadi2 好.因此，本文设置=0.5作为区别图像亮度高低 提出局部加强技术对图片部分进行不同程度的强 的界限，最终图像分类类别如表1所示 化，但其未考虑全局亮度信息 Gamma校正常用于调整图像的整体亮度，传 表1图像分类 统的Gamma校正对所有的图像都采用同样的处 Table 1 Image classification 理方式，使得图像质量好的图像被过度地处理.对 Contrast category Intensity mean,A Image category 此，本文提出自适应Gamma校正(Adaptive Gamma ≥0.5 Low contrast and high brightness correction,AGC),可对不同光照程度的图像进行 0.5 Low contrast and low brightness 自适应处理.首先将图像转换到HSV颜色空间， ≥0.5 High contrast and high brightness 然后对V通道进行自适应Gamma处理以调整图 0.5 High contrast and low brightness 像亮度，最后再将图像转换到RGB颜色空间进行 后续检测，主要流程如图3所示.其中，对图像进 2.1.1h类图像处理 上类图像σ值小，图像中的大部分像素有相近 行自适应Gamma校正处理时，图像强度变换函数 的强度值，聚集在小的像素范围内，对于这样的图 设置为： 像，需要使像素分布扩展到更大的范围以提高对 s=cRY (1) 比度.在Gamma校正中，y值越大，相应的图像强 式中，s为输出图像的强度，R为输入图像的强度， 度越大，对比度也越大.在本文的自适应Gamma y为控制输入输出曲线的参数，c为修正系数，两参 校正中，对于1类别图像采用下面的公式计算y值： 数共同控制曲线形状.对于不同光照下的图像，参 y=-l0g2(c) (3) V Channel 对于系数c值，传统的Gamma校正方法通常 取1，本文针对不同对比度图像采用不同的c值： Yes Low contrast? No 1 c=1+s0.5-0×(@-1) (4) Parameters c and y Parameters c and y 式中，a有以下定义： a=RY+(1-RY)XAY (5) Image processing with intensity transform function 0.5-)为阶跃函数： f1,0.5->0 (6) Transformed V channel s0.5-0={00.5-A≤0 图3自适应Gamma校正流程图 这样处理y和c值使得算法能够对1类别中 Fig.3 Flow diagram of adaptive gamma correction 亮度不同的图像分别采取合适的变换像按照约 1∶1 的比例划分组成训练集和测试集. 为了增加数据量，训练时采用数据增广对初始图 像随机平移. 2    增强 YOLOv3 算法 2.1    自适应图像增强 弱光照交通标志图像数据集中主要存在以下 四种情况的图像：整体亮度较低、半明半暗且交通 标志在偏暗区、半明半暗且交通标志在偏亮区以 及整体亮度良好的图像，光照条件较为复杂. 而图 像增强的目的就是针对不同光照条件的图像合理 的均衡化像素分布范围，调整图像亮度和对比度， 提高交通标志与背景间的区分度. 现有的方法一般采用直方图均衡化全局图像[23] ， 但采用全局加强的方法可能会导致图像部分过加 强或欠加强；也有局部加强方法，Celik 和 Tjahjadi[24] 提出局部加强技术对图片部分进行不同程度的强 化，但其未考虑全局亮度信息. Gamma 校正常用于调整图像的整体亮度，传 统的 Gamma 校正对所有的图像都采用同样的处 理方式，使得图像质量好的图像被过度地处理. 对 此，本文提出自适应 Gamma 校正（Adaptive Gamma correction，AGC），可对不同光照程度的图像进行 自适应处理. 首先将图像转换到 HSV 颜色空间， 然后对 V 通道进行自适应 Gamma 处理以调整图 像亮度，最后再将图像转换到 RGB 颜色空间进行 后续检测，主要流程如图 3 所示. 其中，对图像进 行自适应 Gamma 校正处理时，图像强度变换函数 设置为： s = cRγ （1） 式中，s 为输出图像的强度，R 为输入图像的强度， γ 为控制输入输出曲线的参数，c 为修正系数，两参 数共同控制曲线形状. 对于不同光照下的图像，参 数 c 和 γ 有不同的计算方式. 图像标准差反映了像素值与均值的离散程 度，标准差越大图像质量越好，因此，本文先采用 图像强度标准差对图像分类，判别公式如下所示： Icls =    IL,4σ ⩽ 1 p IH,其他 （2） 式（2）中，σ 为图像标准差，p 为图像对比度衡 量系数，根据实验发现，取 p=3 能够作为分类不同 对比度图像的标准；IL 表示低对比度图像，IH 表示 中高对比度图像. 同一对比度类别的图像也会有不同的亮度， 需要对图像进一步划分. 图像强度均值反映了图 像的亮度，均值越大图像亮度越大，本文采用 λ 表 示图像强度均值. 经过多组实验发现，图像强度均 值小于 0.5 时，亮度不佳，大于等于 0.5 时，亮度良 好. 因此，本文设置 λ=0.5 作为区别图像亮度高低 的界限，最终图像分类类别如表 1 所示. 2.1.1    IL 类图像处理 IL 类图像 σ 值小，图像中的大部分像素有相近 的强度值，聚集在小的像素范围内，对于这样的图 像，需要使像素分布扩展到更大的范围以提高对 比度. 在 Gamma 校正中，γ 值越大，相应的图像强 度越大，对比度也越大. 在本文的自适应 Gamma 校正中，对于 IL 类别图像采用下面的公式计算 γ 值： γ = −log2 (σ) （3） 对于系数 c 值，传统的 Gamma 校正方法通常 取 1，本文针对不同对比度图像采用不同的 c 值： c = 1 1+ε(0.5−λ)×(α−1) （4） 式中，α 有以下定义： α=R γ +(1−R γ )×λ γ （5） ε(0.5−λ) 为阶跃函数： ε(0.5−λ) = { 1,0.5−λ > 0 0,0.5−λ ⩽ 0 （6） 这样处理 γ 和 c 值使得算法能够对 IL 类别中 亮度不同的图像分别采取合适的变换. 表 1    图像分类 Table 1    Image classification Contrast category Intensity mean, λ Image category IL ≥ 0.5 Low contrast and high brightness <0.5 Low contrast and low brightness IH ≥ 0.5 High contrast and high brightness <0.5 High contrast and low brightness Low contrast? V Channel Parameters c and γ Parameters c and γ Image processing with intensity transform function Transformed V channel Yes No 图 3    自适应 Gamma 校正流程图 Fig.3    Flow diagram of adaptive gamma correction 赵    坤等： 弱光照条件下交通标志检测与识别 · 1077 ·